函数连接型网络应用于维生素B族四组分同时测定

报道了函数连接型网络（ＦＬＮ）用于维生素Ｂ族四组分同时测定。采用相关系数和标准偏差从原始紫外光谱数据中挑选１１ 个波长点供网络处理。在函数连接型网络中，非线性输入模式得到了增强， 并使用了推广的δ学习规则。预测结果极好， 其相关系数和标准偏差分别为０．９９９０４ 和０．２６８８５。

基于函数型连接神经网络的发输电系统可靠性评估研究

发输电系统可靠性评估的枚举法需要大量的计算时间。为减少可靠性评估的计算量,特提出一种用于识别偶发事件的函数型连接神经刚络(FLNN)分类模型。根据潮流计算特点,构造了一种能够计及有功且能够计及电压和无 功影响的简化潮流模型来快速计算行为指标(PI),形成FLNN分类器输入模式集。将FLNN分类模型和简化潮流模型相结合,提出了一种基于偶发事件筛选的函数型连接神经例络(FLNN)可靠性评估方法。用该方法对IEEE-RTS79测试系统进行计算,结果验证了该方法的正确性和有效性,同时表明了该方法在保证精度的前提下减少了计算时间,在目前情况下改进计算方法来提高计算精度比计及高阶事件的影响来提高计算精度更为有效。

切比雪夫函数型连接神经网络在信道均衡中的应用

本文提出一种基于切比雪夫函数型连接神经网络(CFLNN)的信道均衡方法。传统的前馈神经网络虽然能有效地解决信道均衡的问题,但具有计算复杂度过高,收敛速度慢等缺点。函数型连接神经网络通过对输入模式进行非线性扩展,可以不必使用隐层而不降低整体性能,从而极大简化了网络结构。同时,神经网络的学习方法得以简化,提高了收敛速度。本文采用可变尺度共扼梯度下降法(SCG)对该函数型连接网络进行训练。仿真结果表明了用切比雪夫函数型连接神经网络解决信道均衡问题的有效性。

新型“成长”函数型连接网络预报模型及应用

对于具有生物“成长”历程的系统 ,提出一类新的“成长”函数型连接神经网络预报模型和递推Gauss-Newton学习算法。这种新型网络和学习算法 ,具有学习训练速度较快 ,预报精度高的特点 ,在油田产量预报问题中得到成功的应用。这表明本文方法的有效性。

一种复值函数型连接神经网络

本文提出了一种复值函数型连接神经网络(CFLNN)结构,可以对复数域信号进行快速处理。函数型连接神经网络通过对输入模式预先进行非线性扩展,增强了输入信号的模式表达,从而可以大为简化网络结构,降低计算复杂度。本文将函数型连接神经网络推广到了复值情况并给出了基于梯度下降的学习方法。计算复杂度分析显示本方法具有结构简单,计算量低的优点。最后,将本方法运用到对复值非线性系统的辩识问题中,仿真实验表明本CFLNN性能与传统复值前馈神经网络相近或更优。

基于函数型连接神经网络的瓦斯传感器非线性校正

通过对载体催化瓦斯传感器检测原理的分析,指出瓦斯体积分数与瓦斯传感器输出电压之间呈非线性关系,提出了应用函数型连接神经网络的强非线性逼近能力,且不依赖确定的数学模型的优点,建立非线性校正模型,消除瓦斯检测中的非线性误差。网络仿真结果与分段线性拟合曲线的比较表明:这种非线性校正模型结构简单、收敛速度快、逼近精度高。

函数连接型神经网络在老年痴呆症诊断中的应用

函数连接型神经网络是一种新型的单层网络。应用函数连接型网络成功地实现了根据人体头发中微量元素的含量对老年痴呆症的诊断，表明该种网格性能良好，预测精度高。它为疾病的诊断提供了一种新的途径。

一种改进的增量型随机权神经网络及应用

增量型随机权神经网络(I-RVFL)具有良好的泛化性能,在一定程度上避免了过拟合问题,但是,I-RVFL网络的输入权值和隐藏层偏差是从固定范围内随机生成的,可能会导致模型不稳定。针对上述问题,论文提出一种改进的I-RVFL网络。首先,利用指数加权平均对历史数据依赖随时间指数衰减且能平滑数据中异常值的特点,优化随机分配的输入权值与偏差。然后,将凸函数的下降梯度比应用到模型误差序列中,建立神经网络权值配置的约束条件。在UCI数据集上的仿真结果表明,改进的I-RVFL网络在分类精度以及稳定性上有显著提高。将论文方法应用于红外火焰识别,检测准确率达到98%,验证了该网络的有效性和实用性。

函数型连接神经网络偶发事件分类器设计

偶发事件分析是电力系统安全分析和可靠性计算中的关键问题,需要大量的计算时间。为了有效地减少大电力系统开断模拟的计算工作量,提出一种用于识别偶发事件的函数型连接神经网络(FLNN)分类模型和算法。为获取事故后的系统状态信息,用相对于故障前系统状态的变化量反映事件的行为特征,设计了一组行为指标(PI),构造出神经网络分类器。讨论了各种行为指标及其组合对分类器的不同影响,指出支路功率行为指标是较好的行为指标。通过对IEEE-RTS24试验系统进行的分类计算表明,该分类器不仅网络结构和学习算法简单,而且提高了计算速度和精度。

油藏系统函数型连接神经网络辨识方法

为实现油田生产管理和决策的现代化,使地层参数估值具有全局最优性,在研究油井井底压力分布的描述和有关地层参数辨识问题的基础上,提出了一种由二阶学习算法与GA(Genetic A lgorithm)构成的新型混合遗传算法,并给出一种新型神经网络。该网络把级数中的函数看成非线性神经元,建立油藏系统的函数型连接人工神经网络模型。由系统辨识理论中的F检验法确定网络模型的结构参数n,用二阶学习算法和新型GA交替辨识网络模型的权系数v和地层参数θ。应用表明,采用上述方法建模精度高,模型的平均相对误差在1%以内,并能求出地层参数的全局最优估值。

基于函数连接型神经网络的热电偶非线性校正

针对目前常用的查表和最小二乘等传统非线性校正方法的不足,提出了解决热电偶非线性校正问题的函数连接型神经网络算法。利用传感器的原始数据,得到输入、输出样本对,训练神经网络得到动态修正模型。实际结果表明:这种智能测温方法比传统的测温方法在系统测量速度和精度方面均有很大提高。该方法可应用于很多系统的非线性校正。

基于函数连接型神经网络的非线性滤波

提出了一种基于函数连接型神经网络(FLNN)的非线性滤波解决方案,比较了线性滤波器和FLNN神经网络在非线性滤波中的性能差异。应用MATLAB针对伴有随机噪声的信号进行了仿真滤波试验,证明了该理论的可行性。

快速多视角特权协同随机向量函数连接网络

现实情况中通常会针对同一对象从不同途径或层面获得特征数据,称这样获得的数据为多视角数据。对于多视角数据的挖掘利用具有研究价值,与传统的单视角学习相比表现出一定优势。多视角学习(MVL)中一个重要的问题是如何在满足视角间互补情况下同时保持视角之间一致性。为解决上述问题,基于多视角学习和特权信息学习(LUPI)概念,以随机向量函数连接网络(RVFL)为基础,提出了一种快速多视角特权协同随机向量函数连接网络(FMPRVFL)来有效地解决多视角分类任务。该方法的基本思想是在平均情况下相互利用冗余视角的附加信息作为特权信息监督当前视角的分类。在此基础上设计的FMPRVFL的目标函数可以利用解析解对目标函数进行优化,从而使FMPRVFL训练速度更快。理论分析表明,与经典的多视角学习方法相比,FMPRVFL可以提供额外的泛化能力。在64个数据集上的实验结果表明,FMPRVFL在平均测试精度和运行时间上都优于比较方法。

油藏系统函数型连接神经网络辨识方法研究

一些油藏系统的偏微分方程模型,经过变换能化为非线性函数项级数,级数的每一项均为地层参数θ的复杂非线性函数.地层参数是试井解释的依据,因而要求其估值应具有全局最优性,又因上述函数为多峰函数,在极值点处关于θ的变化很敏感,使问题更为困难,现有迭代法均未奏效.为了解决了这个问题,提出了一种新型混合遗传算法.实际应用表明,用上述方法建模具有很高的精确度,模糊的平均相对误差在1%以内,并且能求出地层参数的全局最优估值.

基于网络的随机选题模型设计与实现

介绍了用离散型随机变量的二项分布函数从试题库随机选题的数学模型。在此模型基础上，利用ＪＡＶＡ语言，编出了网上试卷自动生成系统中随机抽题的例程。

用函数型神经网络计算配网的线损

提出了用函数型连接的神经网络计算配网线损的实用方法，将配电线路的特征参数映射到维数更高的空间，只用单层神经网络就可以拟合线损与特征参数之间的关系，算例表明，该算法远优于回归分析线损算法，也比用Ｂｐ神经网络算法简单准确，有利于实际应用。

基于反向传播神经网络的SVM技术在电压型变流器中的应用研究

在分析三相电压型变流器空间矢量调制(SVM)技术基本原理的基础上,提出了一种基于反向传播神经网络结构的 SVM 技术(CPN-SVM)的实现方法。该方法采用CPN 竞争层来计算 SVM 中各个矢量的具体作用时间,避免了计算正弦函数这一非线性运算,缩短了计算时间,采样周期的可进一步缩短。仿真和实验表明:CPN-SVM 除了具备 SVM 的固有优点外,还有下述几个显著优点:①大大降低了整个控制系统的软硬件成本,提高了对开关瞬态位置判断的准确性;②随着采用周期的缩短,最大开关频率相应增大,从而提高了整个系统的传输带宽③避免了由于计算误差给 SVM 波形中所带来的附带谐波。

一类复值神经网络的随机指数鲁棒稳定性

为分析Markova跳变参数对系统的影响,研究了一类具有Markova跳变参数和变时滞的复数域区间神经网络的动态行为。在假定复数域激活函数仅满足Lipchitz条件的情况下,首先利用M矩阵理论和同胚映射相关原理,研究了该系统平衡点的存在性和唯一性。然后利用矢量Lyapunov函数法分析了不同模式下平衡点的随机指数鲁棒稳定性。建立的稳定性条件推广了现有结论,并且容易验证。最后,通过一个数值仿真算例验证了所得结论的可行性。

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。

基于神经网络的加速度传感器动态模型参数辨识

提出了利用函数连接型人工神经网络(FLANN)实现加速度传感器动态模型参数辨识的方法,该方法以加速度传感器动态标定实验数据为基础,通过FLANN训练来确定加速度传感器传递函数参数,文中介绍了辨识原理以及算法,给出了利用FLANN辨识的加速度传感器动态数学模型.结果表明,这种辨识方法具有精度高、鲁棒性好等优点.